基于大数据挖掘川崎病静脉注射丙种球蛋白不敏感的危险因子及构建预测模型

发布时间：2020-10-17 11:33

　　 研究背景:川崎病(KD)发病率逐年增高,目前已取代风湿热成为儿童后天获得性心脏病的首因,其治疗主要依赖大剂量静脉注射丙种球蛋白(IVIG)。但临床数据表明约10-20%患儿对单剂IVIG治疗不敏感,导致这部分KD患儿易发生冠状动脉病变(CALs)甚至巨大冠脉瘤,继而影响KD远期预后。目前已发现多个KD IVIG不敏感危险因子,并建立了多个预测模型,但没有一个模型能高效运用到不同地区、不同人群。研究目的:基于医疗大数据挖掘IVIG不敏感KD的独立危险因子,并构建一个适合重庆地区的IVIG不敏感KD早期预测模型。研究方法:1.资料收集:本研究收集2007年10月到2017年12月间在重庆医科大学附属儿童医院第一次因KD住院,且出院第一诊断为KD的患儿全部病例资料信息。2.分组:根据是否对首剂IVIG(2g/kg)敏感,将KD患儿分为IVIG敏感组KD和IVIG不敏感组KD。3.数据清洗:将所有纳入KD患儿信息导入SQL SEVER2008,通过该软件收集KD流行病学资料、实验室检验资料及影像学检查资料,并完成对数据的清洗工作。4.模型构建及验证:随机选择70%的数据集构建预测模型,剩余30%用于模型的验证。5.统计分析:本研究采用R语言3.4.1版进行数据分析,分类资料用百分比表示,连续性变量用均值±标准差表示。对于缺失率小于25%的变量采用多重插补法进行数据填充。对于连续性变量使用Mann-Whitney U检验,对于分类变量采用卡方检验。P值0.05被认为具有显著统计学差异。组与组之间有显著统计学差异的纳入多变量分析。通过LASSO回归分析精简变量,通过多元逻辑回归分析确定最终独立危险因素。Hosmer-Lemeshow用于回归方程拟合优度检验,P值0.05说明数据资料与回归方程相符。采用ROC和AUC反应模型的预测能力,以及模型预测的准确度与灵敏度。通过方程式及列线图来判断患儿发生IVIG耐药的可能性。结果:总共收集5789例KD患儿,其中符合纳入标准的患儿5277例。这5277例中包括348例(348/5277,6.59%)IVIG不敏感患儿和4929例(4929/5277,93.41%)IVIG敏感患儿。单因素分析发现42个变量存在显著统计学差异(P0.05),其中24个变量在IVIG不敏感KD组中显著升高,18个变量显著降低。将单因素分析有统计学差异的变量纳入LASSO和多元逻辑回归分析最终得出8个KD IVIG不敏感独立危险因子包括:红细胞分布宽度(RDW)、血小板计数(PLT)、淋巴细胞百分比(P-LYM)、总胆汁酸(TBA)、钠离子浓度、白蛋白(ALB)、冠脉病变严重程度(D-CALs)和年龄。基于上述结果绘制列线图和建立对数等式。新预测模型的AUC=0.74,敏感性=76%,特异性=59%。随机抽取30%数据进行1000次模型验证,AUC均值=0.72。新模型与此前模型的比较,发现新模型AUC值更高。结论:1.使用SQL能高效准确收集、清洗医疗大数据资料。2.本研究发现3个新的IVIG不敏感KD独立危险因子包括:RDW、P-LYM和D-CALs。并通过RDW、PLT、P-LYM、TBA、ALB、血钠浓度、D-CALs和月龄构建IVIG不敏感KD预测新模型,且较此前预测模型能更好预测重庆地区KD患儿IVIG不敏感。
【学位单位】：重庆医科大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R725.4
【文章目录】：
英汉缩略语名词对照
中文摘要
英文摘要
前言
1 数据收集与研究方法
2 结果
3 讨论
4 结论
参考文献
全文总结
文献综述
    参考文献
致谢
攻读硕士学位期间的学术论文

【相似文献】

相关期刊论文 前10条

1 凌云;王建东;;浅析4~#高炉的炉缸侵蚀预测模型[J];南钢科技与管理;2007年03期

2 谷鸿秋;王俊峰;章仲恒;周支瑞;;临床预测模型:模型的建立[J];中国循证心血管医学杂志;2019年01期

3 周媛;叶烨;王新彦;周宏根;王筱蓉;;零转弯半径割草机连续翻滚特性参数化预测模型[J];农机化研究;2018年01期

4 刘洪太;郭云霞;;基于情景数据的火灾预测模型设计与实现[J];科技创新与应用;2018年26期

5 王伟卿;;灰色预测模型在预测话音网关故障中的研究与应用[J];计算机测量与控制;2016年11期

6 韩文倩;;灰色预测模型在山东省保费预测中的应用[J];保险职业学院学报;2017年01期

7 杨萌;;基于灰色预测模型的山西省批发零售业人员需求分析[J];数学的实践与认识;2017年04期

8 崔剑;巴合提努尔·巴赞;李书钦;;烧结过程SO_2排放预测模型研究[J];资源节约与环保;2017年08期

9 张春涛;关文忠;刘学飞;;混沌时间序列的2阶预测模型[J];数学的实践与认识;2016年05期

10 夏静;;建设项目环境影响评价预测模型发展现状[J];绿色科技;2016年08期

相关博士学位论文 前10条

1 杨居衡;多相体系蜡析出计算模型研究[D];中国石油大学(北京);2018年

2 高山砚;妊娠期糖尿病危险因素研究与预测模型构建[D];中国医科大学;2019年

3 李金金;天津市慢性病队列研究及风险预测模型的建立[D];天津医科大学;2018年

4 陈玲;孕期及产后压力性尿失禁风险预测模型的构建、验证及应用[D];南方医科大学;2018年

5 云科;MSM人群HIV感染风险预测模型的建立及应用[D];中国医科大学;2018年

6 林开阳;急诊经皮冠状动脉介入术后对比剂肾病的危险因素分析及风险预测模型构建[D];南方医科大学;2018年

7 支元杰;大气环境下小样本金属材料腐蚀的数据驱动预测模型[D];北京科技大学;2019年

8 冉祥栋;基于深度学习的交通时间预测模型与方法研究[D];北京科技大学;2019年

9 胡姗姗;药物互作数据的挖掘与预测研究[D];安徽大学;2019年

10 沈思鹏;基于生存结局的多组学预测模型统计学方法研究与应用[D];南京医科大学;2019年

相关硕士学位论文 前10条

1 谭续海;基于大数据挖掘川崎病静脉注射丙种球蛋白不敏感的危险因子及构建预测模型[D];重庆医科大学;2019年

2 李宜伦;基于混合预测的光伏功率预测方案设计与研究[D];沈阳工程学院;2019年

3 郑强;基于深度学习的光伏发电量预测模型研究[D];华北电力大学;2019年

4 马利洁;Spark框架下基于变量预测模型的变压器故障的并行化诊断[D];华北电力大学;2019年

5 李薪;基于磁共振成像技术的大脑老化预测模型的研究[D];电子科技大学;2019年

6 秦靖柯;基于多源数据的矿物浮选过程预测模型的研究[D];电子科技大学;2019年

7 何宏周;基于深度学习的婴儿姿势估计算法研究[D];电子科技大学;2019年

8 李幻;基于植株冠层分层孔隙率的雾滴穿透量预测模型构建与试验研究[D];山东农业大学;2019年

9 吴琪;建立基于生化指标的冠心病风险预测模型[D];杭州师范大学;2019年

10 陈娴;CIN2~+病变风险预测模型构建及临床验证[D];重庆医科大学;2019年

本文编号：2844720